基于arvm的电子设备状态在线预测方法

《基于arvm的电子设备状态在线预测方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于aRVM的电子设备状态在线预测方海军航空I程学院科研部916返部队针对电子设备的状态预测问题，提出一种棊于自适应核学习相关向量机的在线状态预测方法。所提方法将电子设备的状态预测视为一个有监督回归问题。首先通过设备离线数据的后验概率选择最适合预测问题的基函数，然后采用离线数据训练aRVM预测模型，最后在预测过程中通过对在线数据的增样学习来动态更新模型参数。仿真预测实例与实例预测实验的结果表明:所提方法相比传统方法显著提高了预测精度和在线训练效率。关键词：电子设备;状态预测;相关向量机;在线训练;自适应核学习；收稿曰期:2017-07-25基金：装备预研基金资助项目(9140A270

2、20214JB14435)OnlineConditionPredictionofElectronicEquipmentBasedonRelevanceVectorMachinewithAdaptiveKernelLearningGAOMingzheXUAiqiangXUQingDepartmentofScientificResearch,IfevalAeronauticalandAstronauticalUniversity;TheNo.91635thTroopofPLA;Abstract：Aimedattheconditionpredictionofelectronicequipm

3、ent,anonlinepredictionmethodbasedonrelevancevectormachinewithadaptivekernellearning(aRVM)isproposed.Intheproposedmethod,theconditionpredictionofelectronicequipmentisformulatedasasupervised-1earningproblem.Firstly，thebasisfunctionwhichismostsuitableforpredictionproblemisselectedaccordingtothepos

4、teriorprobabilityofequipmentoff1inedata.ThenthepredictionmodelbasedonaRVMistrainedbyofflinedata.Finally,theparametersofthemodelarcupdateddynamicallythroughincrementaltrainingofonlinesamplesinthepredictionprocess.Experimentalresultsofbothsimulationexperimentandpracticalexperimentindicatethatthep

5、roposedmethodobviouslyoutperformsthetraditionaloneinbothpredictionaccuracyandonlinetrainingefficiency.Keyword：electronicequipment;statusprediction;relevancevectormachine;onlinetraining;adaptivekernel;电子设备在使用期间伴随着组成部件性能的退化往往会导致设备功能的下降、失效，甚至引起灾难性后果。这类退化过程通常具有内在的规律性，可通过预测方法对其健康状态进行预测从而实现对设备的视情维修，这

6、对减少故障损失、降低维修费用具有重大意义U1。现阶段一种有效的预测方法是通过对设备历史数据的时间序列进行趋势外推，从而得到未来时刻设备的健康状态m，这对数据序列的预测方法具有很高要求。文献［2-8］分别将隐马尔可夫链、灰色模型、最小二乘支持向量机、超限学习机和相关向量机等方法应用到电子设备的状态预测中,其中基于和关向量机(relevancevectormachine,RVM)的预测方法不但在小样木训练下拥有参数设置简单、预测精度高的优势，并且能够给出预测结果的置信区间，具有广阔的应用前景边1，近年来在诸多预测领域中获得了广泛关注［10-12］。然而现实屮的电子设备是一个时变系统，传统

7、RVM预测方法得到却的是一个参数恒定的离线预测模型XM，这导致了预测精度会随着时间推移不断降低。面对不断更新的在线样本，传统RVM只能重新训练预测模型以保持动态预测能力，极大的降低了预测效率。自适应核学习和关向量机（relevancevectormachinewithadaptivekernellearning,aRVM）是Tzikas等［14］在增量学习方法［15］和平滑稀疏度先验［16］的基础上提出的一种改进的RVM建模方法，相比传统RVM其主要改进在